罗福莉称 MiMo-V2.6 研发挑战已超过其参与的 DeepSeek R1

小米 MiMo 负责人罗福莉在 MiMo-V2.6 发布后，进一步解释了这一轮强化学习方案。她表示，自己曾参与 DeepSeek R1，而在她看来，MiMo-V2.6 背后的研究创新和工程挑战已经超过 R1。

罗福莉还说明了 MiMo 同时使用 MixRL 和 MOPD 的原因。她称，MixRL 是把代码、通用 Agent、视觉和网络安全等可验证任务，放在同一轮强化学习中一起训练。

MOPD 则用于处理超长、难验证或奖励较主观的任务。这类任务会先单独训练，随后再把相关能力整合回主模型。

她举例称，游戏和 3D 任务单次运行时间较长，也不容易自动判断结果对错。如果把这类任务与代码等任务放在同一轮 RL 里，会明显拖慢训练。基于这一点，MiMo 将这类任务拆开单独训练，再通过 MOPD 把学到的能力合回主模型。